Sustavi za potporu odlučivanju (DSS) i modeli prognoze za lijesku¶
Sadržaj generiran umjetnom inteligencijom — provjerite prije primjene
Ovaj je članak automatski sastavljen iz zbirke literature o lješnjaku uz pomoć umjetne inteligencije i može sadržavati pogreške ili zastarjele podatke. Služi kao polazište za daljnje istraživanje, a ne kao stručni savjet. Doze, sredstva i rokovi su informativni te ovise o sorti, lokaciji i važećim propisima — obavezno provjerite kod savjetodavne službe i na službenim izvorima prije primjene.
Sustav za potporu odlučivanju (engl. Decision Support System, DSS) digitalni je alat koji prikuplja, povezuje i analizira podatke iz više izvora — meteoroloških stanica, senzora u tlu, satelitskih i dronskih snimaka te agronomskih modela — kako bi proizvođaču dao konkretnu preporuku u pravom trenutku: kada (i treba li uopće) tretirati protiv bolesti, kada navodnjavati i koliko, te kada pokrenuti protumraznu zaštitu. Važno je odmah naglasiti ono što ističe i literatura: DSS ne zamjenjuje uzgajivača ni agronoma, nego im pruža dodatne informacije za bolje odluke. U lijeski (lješnjaku), kao trajnoj kulturi s dugim proizvodnim ciklusom i osjetljivim cvatom, ova vrsta alata premošćuje jaz između "tvrde" senzorike (IoT, daljinska detekcija) i svakodnevne agrotehnike. Ovaj članak objašnjava koji su modeli i sustavi dostupni i kako se koriste u praksi.
Što je DSS i zašto baš u nasadu lijeske¶
Tradicionalno se odluke u nasadu donose iskustveno i prema ustaljenoj praksi (kalendarski). Takav pristup, iako provjeren, povećava margine pogreške: tretira se i kad nema rizika, navodnjava se "po osjećaju", a mraz iznenadi noćnu smjenu. DSS taj proces formalizira u tri koraka:
- Prikupljanje podataka — agrometeorološka stanica, senzori vlage tla i lista, satelitski/dronski indeksi, fenološka opažanja.
- Obrada i modeliranje — matematički modeli pretvaraju sirove podatke (temperatura, vlaga, oborine, sati vlaženja lista) u indekse rizika ili preporuke.
- Preporuka i akcija — uzgajivač dobiva upozorenje (npr. SMS/aplikacija) ili sustav automatski pokreće akciju (npr. ventil navodnjavanja).
U projektu PANTHEON (H2020), koji je razvio SCADA-sustav za precizni uzgoj lješnjaka i validirao ga na komercijalnom nasadu u Nepiju u Italiji, korisnik u sučelju "analizira prijedloge koje je izradio sustav za potporu odlučivanju", odobrava valjane, odbacuje nepotrebne, a planiranje radova može biti i ručno i automatsko. To je dobar model kako DSS izgleda u praksi: prijedlog → ljudska potvrda → izvršenje.
Tipična oprema na kojoj DSS počiva¶
Iz hrvatskog elaborata za nasad lijeske (Donji Hrastovac, Općina Sunja) vidljiv je realan popis agrometeorološke stanice na kojoj se gradi DSS:
| Komponenta | Namjena |
|---|---|
| Centralna jedinica s GPRS modulom | prijenos podataka |
| Senzor vlage lista (PLWS) | procjena rizika gljivičnih infekcija |
| Kišomjer (RG300) | oborine, ispiranje, vlaženje |
| Senzor temperature i relativne vlage zraka (RHT35) | mraz, bolesti, fenologija |
| Senzori vlage tla (min. 2 kom) | navodnjavanje |
| Senzor temperature zraka i brzine vjetra | mraz, evapotranspiracija |
| Fotonaponski modul, stalak, SIM/licenca | napajanje i veza |
| Računalni program + mobilna aplikacija | pregled i upozorenja |
U PANTHEON-u se podaci sa stanice prenose putem LoRa modula, a vlažnost, temperatura, oborine i sunčevo zračenje koriste se za izračun VPD (deficit tlaka vodene pare) i indeksa vodnog stresa usjeva (CWSI) — čime se razlikuje stres od suše od stresa uzrokovanog bolešću ili štetnikom.
Modeli rizika za bolesti i štetnike¶
Srž svakog DSS-a za zaštitu bilja jest model rizika: matematička veza između količine inokuluma, uvjeta okoliša i razvoja bolesti. Kako navodi literatura, takvi modeli "ključne su komponente svakog alata za potporu odlučivanju u zaštiti bilja" jer poboljšavaju pravovremenost i učinkovitost te smanjuju ekonomske i okolišne troškove.
Pepelnica (mal bianco / Erysiphe-tip)¶
Modeli za pepelnicu (talijanski mal bianco), prilagođeni iz iskustva u vinogradarstvu, za svaku meteorološku stanicu dnevno računaju:
- dozu inokuluma koja još nije raspršena,
- stopu otvaranja kleistotecija po događaju,
- infektivnu učinkovitost svakog događaja,
- trenutak sporulacije (pojava simptoma),
- sezonski epidemijski pritisak.
Praktična korist: umjesto kalendarskog prskanja, fungicid se primjenjuje uoči razdoblja stvarnog rizika. Time se broj tretmana smanjuje, a učinkovitost raste.
EFB i truljenje ploda — DEFHAZ i model "rotten incidence"¶
Za lješnjak su razvijena dva istaknuta meteorološki vođena modela koji ciljaju defektne/trule plodove (povezane s kompleksom Diaporthe spp., uključujući Diaporthe eres):
DEFHAZ je mehanistički model koji radi na satnim podacima od 1. siječnja:
| Ulaz | Prag / parametar |
|---|---|
| Temperatura zraka | kardinalne vrijednosti za infekciju 14 °C (opt.), 6 °C (min.), 32 °C (maks.) |
| Relativna vlaga / vlaženje | uvjet za infekciju i latenciju |
| Oborine (raspršivanje spora) | > 0,2 mm |
| Razvoj piknidija | GDD ≥ 788 |
Model daje kumulativni indeks infekcije (Dh-I) i prognozira vjerojatnost da incidencija defektnih plodova prijeđe 1 %, i to za skrivene (unutarnje posmeđenje) i ukupne defekte, u fazama BBCH81 (početak dozrijevanja) i BBCH89 (puna zrelost/berba). Validacija je pokazala:
- ~95 % točnosti za skrivene defekte (BBCH81 vs. BBCH81),
- 71–89 % za ukupne defekte (BBCH89),
- 84 % (skriveni) i 71 % (ukupni) kod prognoze unaprijed (BBCH81 → BBCH89).
Ključna vrijednost: prognoza rizika otprilike mjesec dana prije berbe, što omogućuje ciljanje fungicida na razdoblje osjetljivosti (u literaturi do kraja svibnja) i identifikaciju "rizičnih područja".
Srodni simulacijski model truljenja (Valeriano i sur., 2022., primijenjen na sedam glavnih proizvodnih općina u Turskoj) povezuje proces-bazirani epidemiološki modul Diaporthe ciklusa s fenološkim razvojem ploda. Broj sati pogodnih za širenje konidija (CumCS) služi kao zamjenska mjera inokuluma za sljedeću godinu, a osjetljivost biljke (PS, 0–1) aktivira se kad su ženski cvjetovi receptivni za spore. Praktična poruka: rizik truljenja nije isti svake godine i ovisi o vremenu prethodne sezone — DSS to kvantificira.
Curculio (lješnjakov pipa) i fenološki pristup¶
Za Curculio nucum (lješnjakov pipa) ne postoji jednako standardiziran javni model kao za truljenje, no logika je ista i počiva na fenologiji i temperaturnim sumama: pojava odraslih i razdoblje odlaganja jaja vežu se uz fenofazu razvoja ploda i akumulirane stupanj-dane. DSS koji prati fenologiju (vidi nastavak) i ulov u klopke pomaže odrediti prag i prozor tretmana, umjesto rutinskog prskanja. U nedostatku validiranog modela za lokalne uvjete, oslonite se na praćenje klopkama i savjetodavnu službu.
Doze i sredstva su informativni
Modeli rizika kažu kada je rizik visok — ne propisuju sredstvo ni dozu. Izbor pripravka, doza i karenca ovise o sorti, lokaciji i važećoj registraciji/etiketi. Uvijek provjerite dopuštenost sredstva u RH (FIS baza) i kod savjetodavne službe prije primjene.
Fenološki modeli — tajming svega ostalog¶
Fenološki model procjenjuje kada će nastupiti pojedina faza (listanje, cvatnja, receptivnost stigme, dozrijevanje) na temelju temperature zraka i, sve češće, fotoperioda.
To je "kralježnica" cijelog DSS-a jer i modeli bolesti i tajming tretmana i procjena rizika od mraza ovise o fazi razvoja.
- Modeli tipa American Spring Index (implementirani npr. u MATLAB-u) kombiniraju temperaturu zraka i fotoperiod za procjenu "početka proljeća" (prvo listanje ili prva cvatnja). Procjene fenoloških pomaka pod klimatskim promjenama izravno utječu na planiranje zaštite i berbe.
- U modelu truljenja simulira se osam ženskih reproduktivnih faza od cvatnje do otpadanja ploda, a sezona "počinje" 1. listopada kao referentni datum.
- Fenologija određuje prozor osjetljivosti: npr. receptivnost stigme (faza R8 puna cvatnja → R9 uvenuće stigme) ključna je i za oprašivanje i za ulazak gljivičnih spora.
Praktično: ako DSS zna da je nasad u fazi receptivnosti stigme, tada i upozorenje na mraz i upozorenje na infekciju nose veću težinu, a preporuke se mogu prioritizirati.
Protumrazni alarmi¶
Proljetni mraz jedan je od najvećih rizika za lijesku, koja cvjeta vrlo rano. DSS ovdje ima dvojaku ulogu: prognoza (rizik za nekoliko dana unaprijed) i alarm u stvarnom vremenu (temperatura pada ispod kritične).
Iz slovenskih tehnoloških naputaka jasno je ograničenje općih prognoza: državna meteorološka služba upozorava na opasnost, ali "ne može točno predvidjeti kada i koliko će temperatura pasti ispod nule u određenom nasadu". Zato se preporučuje:
- mikrometeorološke prognoze za rizične položaje (povezivanje vremenske situacije s reljefom),
- nadogradnja agrometeoroloških postaja senzorima suhog i mokrog termometra na 0,5 m visine,
- SMS-alarmiranje zainteresiranih uzgajivača (po uzoru na sustav u Južnom Tirolu).
Klasična literatura o zaštiti od mraza (Snyder/Connell) dodaje praktične elemente sustava alarma:
- pouzdani elektronički alarmi koji zvone na telefon, pokreću vjetrenjaču (wind machine) ili pumpu kad uđe neočekivana hladna fronta,
- senzor u standardnom zaklonu termometra, kalibriran prema mreži termometara raspoređenih po parcelama,
- pragovi alarma postavljeni prema kritičnim temperaturama pupova (koje ovise o fenofazi).
Za aktivnu zaštitu, ako DSS pokrene navodnjavanje na "mraz" (orošavanje), orijentacijska potrošnja je ~2,5–5,1 mm/h vode; dinamičke metode poput Frostbustera (traktorski puhač toplog zraka, ~80–100 °C, povratak na početnu točku unutar ~10 min) zahtijevaju miran zrak. Sve su to brojke informativne i ovise o nasadu i opremi.
| Funkcija DSS-a kod mraza | Što daje uzgajivaču |
|---|---|
| Prognoza rizika (više dana) | priprema opreme, gorivo, raspored smjena |
| Alarm u stvarnom vremenu (kritična temp.) | trenutni signal za pokretanje zaštite |
| Automatsko pokretanje (ventil/pumpa/vjetrenjača) | reakcija i kad nema posade |
| Kalibracija prema fenofazi | točniji pragovi (kritična temp. pupa) |
Navodnjavanje vođeno modelom¶
Koncept DSS-a za navodnjavanje star je desetljećima, a danas se oslanja na model bilance vode (ET-WB) i/ili senzore vlage tla. Cilj je "restitucija" — vraćanje upravo one količine vode koju je nasad potrošio, čime se štedi voda i izbjegava stres.
- Bilanca vode / ETo: u modele se uvode prognozirana referentna evapotranspiracija i oborine; poznati okviri uključuju AquaCrop, DSSAT, WOFOST, APSIM.
- Senzorski pristup: senzori vlage tla (u elaboratu min. 2 komada) i izračun CWSI/VPD iz meteostanice (PANTHEON) daju izravnu povratnu vezu za upravljanje ventilima.
- Orijentacijske brojke za lijesku: promotivni i tehnički izvori navode okvirne sezonske potrebe reda ~800 mm za običnu lijesku te primjenu samokompenzirajućih kapaljki zbog nagiba terena (npr. ~1666 m kapne linije/ha); navodnjavanje može smanjiti udio praznih ljuski (navodi se ~20 %). U turskim pokusima s podpovršinskom kapnom (kapaljke na 40 cm razmaka, protok 2 L/h, na 15 cm dubine) uspoređivani su režimi 70 %, 100 % i kišne (kontrolne) potrebe — što je upravo vrsta odluke koju DSS pomaže donijeti.
| Pristup | Glavni ulaz | Izlaz / odluka |
|---|---|---|
| Bilanca vode (ET-WB) | ETo, oborine, faza, tip tla | količina i termin zalijevanja |
| Senzori vlage tla | vlažnost u zoni korijena | kada zaliti (pragovi) |
| CWSI / VPD (kanopi) | temperatura, vlaga, zračenje | razlikovanje suše od bolesti |
Brojke su informativne
Navedene količine (mm/ha, razmaci kapaljki, postoci) ovise o sorti, tlu, klimi i sustavu te služe samo kao red veličine. Lokalnu normu navodnjavanja potvrdite mjerenjima i sa savjetodavnom službom.
Most između senzorike i agrotehnike¶
Senzorika (IoT, daljinska detekcija) sama po sebi daje samo brojke; agrotehnika treba odluku. DSS je sloj koji ih spaja:
- Sloj podataka — meteostanica, senzori tla/lista, sateliti/dronovi (PANTHEON koristi i zračne i kopnene robote).
- Sloj modela — fenologija, modeli bolesti (pepelnica, DEFHAZ/truljenje), bilanca vode, mraz.
- Sloj odluke — indeks rizika, upozorenje, preporučeni prozor; prijedlog koji čovjek potvrđuje.
- Sloj akcije — ručni rad ili automatska kontrola (irigacija, protumrazna zaštita).
Upravo je ta lančana logika ono što povećava detekciju ograničavajućih čimbenika "za svaku pojedinu biljku" (nedostatak vode, štetnici, bolesti) i omogućuje pravovremenu reakciju — uz veću proizvodnju, nižu cijenu i manji utjecaj na okoliš.
Praktične preporuke i česte pogreške¶
Preporuke
- Krenite s jednom dobro postavljenom meteostanicom sa senzorom vlage lista i temperature; ona pokriva i bolesti i mraz i fenologiju.
- Inzistirajte na SMS/push alarmu za mraz — prognoza bez alarma u stvarnom vremenu nije dovoljna.
- Kalibrirajte senzore i pragove prema vlastitoj mreži termometara i kritičnim temperaturama pupova po fenofazi.
- Koristite model rizika za bolesti da smanjite broj tretmana, a ne da slijepo prskate po kalendaru.
- Tretirajte preporuku DSS-a kao prijedlog koji potvrđujete terenskim opažanjem (klopke, pregled).
Česte pogreške
- Oslanjanje na opću regionalnu prognozu umjesto na mikrolokaciju nasada (reljef i mrazišta bitno mijenjaju sliku).
- Postavljanje stanice na nereprezentativan položaj (ne na rizičnu, mrazištu sklonu zoni).
- Brkanje stresa od suše sa stresom od bolesti — bez VPD/CWSI ili senzora lista lako se pogriješi.
- Primjena doza i sredstava "iz članka" bez provjere registracije i etikete za RH.
- Zanemarivanje fenologije: isti meteorološki uvjeti nose različit rizik ovisno o fazi razvoja.
Galerija¶
Izvori¶
Ovaj je članak AI-sažetak iz interne zbirke literature o lješnjaku (RAG korpus) i javnih izvora. Glavni korišteni izvori:
- Smart Agriculture: Nuove Tecnologie Informatiche in Agrometeorologia e Agronomia (Parisi, 2024.) — RAG korpus (definicija i uloga DSS-a).
- Precision Farming of Hazelnut Orchards (PANTHEON) — SCADA for Agriculture / PANTHEON: SCADA for Precision Agriculture — RAG korpus i CORDIS, projekt 774571; CORDIS Results in Brief
- DEFHAZ: A Mechanistic Weather-Driven Predictive Model for Diaporthe eres Infection and Defective Hazelnut Outbreaks — PMC9784339
- Valeriano i sur. (2022.) Rotten Hazelnuts Prediction via Simulation Modeling — A Case Study on the Turkish Hazelnut Sector — RAG korpus i PMC9014268; doi:10.3389/fpls.2022.766493
- Fungal trunk diseases of fruit trees in Europe (2022.) — RAG korpus (uloga modela u DSS-u za zaštitu bilja).
- Studio di differenti strategie... / model za mal bianco (pepelnica) — RAG korpus.
- Tehnološka navodila za zaščito pred spomladansko pozebo v sadjarstvu (2018.) — RAG korpus (mikrometeorologija, SMS-alarmi).
- Frost Protection in Orchards and Vineyards (Snyder/Connell) — RAG korpus (alarmi, kalibracija, kritične temperature pupova).
- Elaborat zaštite okoliša... nasad lijeske, Donji Hrastovac, Općina Sunja (2021.) — RAG korpus (sastav agrometeorološke stanice).
- IRRITEC — irrigation of the common hazel i Farklı Sulama Yönetimleri (fındık) (2022.) — RAG korpus (orijentacijske brojke navodnjavanja).
- Assessment of potential shifts in hazelnut phenology (2025.) i American Spring Index metodologija — RAG korpus (fenološki modeli).
- Pregledi DSS-a za navodnjavanje i frost-prediction sustavi: Survey on Smart Irrigation Scheduling (PMC9083007); Machine Learning-Based Hourly Frost-Prediction System for Orchards (MDPI Atmosphere 12/846)